一種用于為涂敷電力復合脂的端子板建立溫升預測模型的方法及系統的制作方法
【專利摘要】本發明公開了一種用于為涂敷電力復合脂的端子板建立溫升預測模型的方法及系統。本發明公開了一種方法，用于建立對電力復合脂溫升進行預測的模型，所述方法包括：獲取樣本數據所需參數；對電力復合脂電阻進行測量；對電力復合脂溫升進行測量；將不同的測量電阻值與所述獲取電流及其他獲取數據組成一組輸入樣本數據，獲得至少兩個輸入樣本數據組；選取一部分樣本數據組為輸入參量，以至少兩個溫升值中相應的一部分測量溫升值為輸出參量，建立具有輸入層、隱含層及輸出層的神經網絡的訓練模型；選取另一部分樣本數據組為輸入參量，以至少兩個溫升值中相應的另一部分測量溫升值為輸出參量進行檢測，以得到神經網絡電力復合脂導線溫升預測模型；通過神經網絡的測試模型獲得端子板測試溫升值。
【專利說明】
一種用于為涂敷電力復合脂的端子板建立溫升預測模型的方 法及系統
技術領域
[0001] 本發明涉及測量領域，更具體地，涉及一種用于為涂敷電力復合脂的端子板建立 溫升預測模型的方法及系統。
【背景技術】
[0002] 電力復合脂廣泛應用于變電所、配電所中的母線與母線、母線與設備接線端子連 接處的接觸面和開關觸頭的接觸面上，可以改善接觸性能，使觸點金屬由點接觸變為面接 觸，增大導電面積，相同和不同金屬材質的導電體(銅與銅、銅與鋁、鋁與鋁）的連接均可使 用，代替并優于緊固連接。由于接觸面較大增加導電面積，降低接觸電阻(可降低35-95%)， 從而達到降低溫升（可降低35-85%)，提高母線連接處的導電性，增強了電網運行的安全 性，節省了大量的電能損耗，還可避免接觸面產生電化腐蝕。新型電力復合脂適用于各種不 同環境，具有良好的耐高溫、耐潮濕、抗氧化、抗霉菌及抗化學腐蝕性能，還具有高溫不流 淌、低溫不龜裂、理化性能穩定、使用壽命長的特點，極大地提高了導電膏使用處的安全性 能，為變電所、配電所的安全運行提供可靠的保證。
[0003] 然后由于不同類別的電力復合脂的對換流站端子板的溫升的影響不同，市場有些 類別的電力復合脂對端子板的溫升具有明顯的降低作用，而有些類別的電力復合脂對端子 板的溫升降低作用不明顯，甚至還具有反作用，劣質電力復合脂用在換流站中導致的溫升 事故，不能保證將對換流站端子板降溫作用明顯的電力復合脂提供給用戶。現有技術重點 研究電力復合脂的制備方法，沒有公開對電力復合脂溫升預測的方法。
【發明內容】
[0004] 為了解決上述問題，本發明提供了一種用于為涂敷電力復合脂的端子板建立溫升 預測模型的方法，所述方法包括：
[0005] 獲取電流I、端子板材質M、端子板尺寸L以及端子板通電時間t;
[0006] 對涂敷電力復合脂的端子板的接觸部的電阻進行測量，以獲取至少兩個測量電阻 值R;
[0007] 對涂敷電力復合脂的端子板的接觸部的溫升進行測量，獲取至少兩個測量溫升值 T；
[0008] 將所述至少兩個測量電阻值R中的每個測量電阻值R與所述獲取的電流I、端子板 材質M、端子板尺寸L和端子板通電時間t組成一組輸入樣本數據，從而獲得至少兩個輸入樣 本數據組；
[0009] 以電流I、端子板材質M、端子板尺寸L、端子板通電時間t以及電阻值為輸入參量， 并且以溫升值為輸出參量建立具有輸入層、隱含層及輸出層的基于神經網絡的初始模型；
[0010] 利用所述至少兩個輸入樣本數據組中的一部分樣本數據組為輸入參量，和所述至 少兩個測量溫升值T1中相應的一部分測量溫升值T1為輸出參量，對基于神經網絡的初始模 型進行學習和訓練；
[0011] 以至少兩個輸入樣本數據組中的另一部分輸入樣本數據組為輸入參量，以至少兩 個測量溫升值中相應的另一部分測量溫升值T2為輸出參量對經過學習和訓練的基于神經 網絡的初始模型進行檢測，以得到基于神經網絡的電力復合脂溫升預測模型。
[0012] 優選地，其中利用電阻測量電路對涂敷電力復合脂的端子板的接觸部的電阻進行 測量，所述電阻測量電路包括：
[0013] 控制臺，控制電流流向，從而分別測試電流正和反兩個流向的電壓、電流和電阻 值；
[0014] 電源，按照觸摸方式輸入電壓和電流，并且具有控制輸入電壓和電流的開關；以及
[0015] 數字多用表，用于顯示測試部位的電壓值。
[0016] 優選地，其中利用溫升測量電路對涂敷電力復合脂的端子板的接觸部的溫升進行 測量，所述溫升測量電路包括：
[0017] 輸入電源，用于輸入交流電源；
[0018] 電壓調節單元，用于對輸入交流電源進行電壓調節，以控制涂敷電力復合脂的端 子板兩端的電壓；
[0019] 溫度傳感器，用于測量涂敷電力復合脂的端子板的溫度升高值；以及
[0020] 保護單元，用于對溫升測量電路進行保護。
[0021] 優選地，所述基于神經網絡的初始模型將Sigmoid作為傳遞函數，將輸入和輸出均 歸一化到[0，1]之間。
[0022] 優選地，基于神經網絡的電力復合脂溫升預測模型的訓練次數和最大失敗次數設 置范圍為10000至20000次。
[0023] 優選地，一種用于為涂敷電力復合脂端子板溫升預測模型的系統，包括：
[0024] 數據獲取模塊，用于獲取電流I、端子板材質M、端子板尺寸L以及端子板通電時間 t；
[0025] 電阻測量電路，所述電阻測量模塊用于對電力復合脂電阻進行測量，以獲取至少 兩個測量電阻值R;溫升測量電路，所述溫升測量模塊用于對電力復合脂溫升進行測量，獲 取至少兩個測量溫升值T;
[0026] 樣本數據集成模塊，用于將所述至少兩個測量電阻值R中的每個測量電阻值R與所 述獲取的電流I、端子板材質M、端子板尺寸L和端子板通電時間t組成一組輸入樣本數據，從 而獲得至少兩個輸入樣本數據組；
[0027] 神經網絡訓練模塊，用于以電流I、端子板材質M、端子板尺寸L、端子板通電時間t 以及電阻值為輸入參量，并且以溫升值為輸出參量建立具有輸入層、隱含層及輸出層的基 于神經網絡的初始模型；神經網絡測試模塊，以至少兩個輸入樣本數據組中的另一部分輸 入樣本數據組為輸入參量，以至少兩個測量溫升值中相應的另一部分測量溫升值T2為輸出 參量對經過學習和訓練的基于神經網絡的初始模型進行檢測，以得到基于神經網絡的電力 復合脂溫升預測模型。
[0028] 優選地，所述電阻測量電路包括：
[0029]控制臺，控制電流流向，從而分別測試電流正和反兩個流向的電壓、電流和電阻 值；
[0030] 電源，按照觸摸方式輸入電壓和電流，并且具有控制輸入電壓和電流的開關；以及
[0031] 數字多用表，用于顯示測試部位的電壓值。
[0032]優選地，所述溫升測量電路包括：
[0033]輸入電源，用于輸入交流電源；
[0034]電壓調節單元，用于對輸入交流電源進行電壓調節，以控制涂敷電力復合脂的端 子板兩端的電壓；
[0035] 溫度傳感器，用于測量涂敷電力復合脂的端子板的溫度升高值；以及
[0036] 保護單元，用于對溫升測量電路進行保護。
[0037] 優選地，所述基于神經網絡的初始模型將Sigmoid作為傳遞函數，將輸入和輸出均 歸一化到[0，1]之間。
[0038] 優選地，基于神經網絡的電力復合脂溫升預測模型的訓練次數和最大失敗次數設 置范圍為10000至20000次。
[0039] 本發明提供了涂敷電力復合脂端子板溫升預測模型建立的方法及系統，該模型或 系統可以對涂不同類別的電力復合脂對端子板的溫升影響進行評估，通過該方法或系統的 評估，可以將對換流站端子板降溫作用明顯的電力復合脂提供給用戶，從而防止劣質電力 復合脂用在換流站中導致溫升事故。本發明具有明顯的經濟和社會效益。
【附圖說明】
[0040] 通過參考下面的附圖，可以更為完整地理解本發明的示例性實施方式：
[0041] 圖1為根據本發明實施方式的為涂敷電力復合脂的端子板建立溫升預測模型的方 法的流程圖；
[0042]圖2為根據本發明另一實施方式的為涂敷電力復合脂的端子板建立溫升預測模型 的方法的流程圖；
[0043]圖3為根據本發明實施方式的基于神經網絡的電力復合脂溫升預測模型；
[0044]圖4為根據本發明實施方式的對涂敷電力復合脂的端子板進行電阻測量的電路 圖；
[0045] 圖5為根據本發明實施方式的對涂敷電力復合脂的端子板進行溫升測試的電路 圖；以及
[0046] 圖6為根據本發明實施方式的為涂敷電力復合脂的端子板建立溫升預測模型的系 統的結構圖。
【具體實施方式】
[0047] 現在參考附圖介紹本發明的示例性實施方式，然而，本發明可以用許多不同的形 式來實施，并且不局限于此處描述的實施例，提供這些實施例是為了詳盡地且完全地公開 本發明，并且向所屬技術領域的技術人員充分傳達本發明的范圍。對于表示在附圖中的示 例性實施方式中的術語并不是對本發明的限定。在附圖中，相同的單元/元件使用相同的附 圖標記。
[0048] 除非另有說明，此處使用的術語(包括科技術語)對所屬技術領域的技術人員具有 通常的理解含義。另外，可以理解的是，以通常使用的詞典限定的術語，應當被理解為與其 相關領域的語境具有一致的含義，而被理解為理想化的或過于正式的意義。
[0049] 圖1為根據本發明實施方式的為涂敷電力復合脂的端子板建立溫升預測模型的方 法100的流程圖。方法100為確定建立溫升預測模型的樣本數據，構建溫升預測模型的結構， 設計神經網絡模型建立的相關參數，通過對神經網絡模型的學習和訓練，建立神經網絡的 初始模型，并可以通過樣本數據，完成對所建立神經網絡模型的測試。
[0050] 如圖1所示，方法100從步驟101處開始。優選地，在步驟101，獲取電流I、端子板材 質M、端子板尺寸L以及端子板通電時間t。本發明獲取的參數，可以為設置的常量，也可以是 變量參數。
[0051] 優選地，在步驟102,通過電阻測試電路獲得涂敷電力復合脂試件搭接部位的電 阻。優選地，電阻的測試步驟為（圖4中進行詳細介紹）：（1)將端子板搭接部位打磨拋光，在 端子板搭接部位在涂電力復合脂，然后用螺栓將端子板連接在一起，螺栓扭矩根據規范和 端子板的尺寸來選擇，將端子板兩端用連接軟連接板連接并用螺栓擰緊，再用銅導線與連 接軟連接，最后將銅導線與電源箱的輸出端連接，從而電流從電源箱經過銅導線流經端子 板，在電源箱觸摸屏上輸入所需的電壓及電流大小，并設置開關，打開或閉合電路。（2)在距 離端子板搭接部位20cm~25cm處安裝電壓測試線，測試線端部連接電壓數字多用表的輸入 端，并從表數字多用表讀取測試部位電壓值。（3)電阻測試電路的電流流向由控制臺的旋轉 按鈕控制，分別通過測試樣品正向、反向電壓及電流，并測出端子板的電阻值。端子板電阻 測試的線路如附圖4所示。目前現有電阻測試方法采用熱電耦合法，電路設計復雜，經濟成 本高。本發明的電阻測試方法，電路圖設計簡單，操作方便，結果準確。
[0052]優選地，在步驟103,如圖1所示，通過溫升測試電路獲得涂敷電力復合脂試件搭接 部位的溫升，溫升的測試步驟為（圖5中進行詳細介紹）：（1)撤除電阻測試系統，用銅導線以 串聯形式連接100KVA變壓器和軟連接板，并在端子板兩邊各添加 η個溫度傳感器(如圖5示 出），傳感器的數量可以為1個或1個以上，傳感器數據由計算機以excel保存并以數據或圖 線顯示在巡檢系統內。（2)總變壓器經過調壓器將電流和電壓分配到內。通過操作臺控制 100KVA變壓器所輸出的電壓及電流。（3)確定試驗樣品連接無誤后，人員撤離后，由實驗人 員通過控制臺控制變壓器并提高輸出電流，達到要求值后穩定電流，通過計算機監控端子 板實時溫度變化數據或圖形。
[0053] 優選地，在步驟104，如圖1所示，將至少兩個測量電阻值R中的每個測量電阻值R與 所述獲取的電流I、端子板材質M、端子板尺寸L和端子板通電時間t組成一組輸入樣本數據， 從而獲得至少兩個輸入樣本數據組;優選地，獲取多組樣本數據，可以設置其中的部分樣本 數據為常量，如可以設置電流為常量，或端子板尺寸為常量，也可以將樣本數據都設置為 變量。優選地，為神經網絡模型學習和訓練的需要，樣本數據組可以設置為10組至20000組。 [0054]優選地，在步驟105,如圖1所示，以電流I、端子板材質M、端子板尺寸L、端子板通電 時間t以及電阻值為輸入參量，并且以溫升值為輸出參量建立具有輸入層、隱含層及輸出層 的基于神經網絡的初始模型（圖3中進行詳細介紹）；建立神經網絡電力復合脂溫升預測模 型，設計神經網絡的輸入層、輸出層和隱含層。端子板溫升T與端子板輸入電流I、端子板搭 接部位電阻值R、端子板材質M、端子板尺寸L、端子板通電時間t有關，本實施例將輸入層參 數設置為:端子板輸入電流I、端子板搭接部位電阻值R、端子板材質M、端子板尺寸L、端子板 通電時間t。端子板搭接部位電阻值R通過電阻測量電路測量獲得，其他輸入端參數可以變 量或固定值。每個端子板搭接部位電阻值R與對應的其他輸入參數構成一組輸入樣本數據， 每項輸入參數可以是變量或常數，但要保證每組樣本數據之間至少有一個參數不相同。本 實施例神經網絡模型輸出層參數為端子板溫升T。
[0055] 優選地，建立神經網絡電力復合脂溫升預測模型神經網絡隱含層的設計:通常來 講，無隱含層的神經網絡只能映射線性函數，而單隱含層的神經網絡就可以映射所有非線 性的連續函數，只有需要映射不連續函數時，才需要兩個以上的隱含層。隱含層節點數量過 少，網絡從樣本中提取信息的能力就差，不足以概括和體現訓練集中的樣本規律;隱含層節 點數量過多，會降低網絡的泛化能力，此外，隱含層節點數太多還會增加網絡訓練時間。在 給定步長、學習率及循環步數的情況下，分別取不同的第一隱含層節點數和第二隱含層節 點數的組合進行比較，發現第一隱含層取(8~12)個節點時系統的誤差最小。
[0056] 優選地，在步驟106,如圖1所示，利用至少兩個輸入樣本數據組中的一部分樣本數 據組為輸入參量，和至少兩個測量溫升值T1中相應的一部分測量溫升值T1為輸出參量，對 基于神經網絡的初始模型進行學習和訓練;優選地，對預測模型進行訓練和測試，設置訓練 目標，并通過測試結果分析。建立神經網絡學習參數，在利用神經網絡進行數據分析時需 要兩組樣本數據，一組用于訓練神經網絡模型，稱之為訓練集；另一組用于測試訓練結果， 稱為測試集。本實施例選擇8組訓練集樣本數據;在典型的試驗電流I、溫度t和電阻R下通過 試驗得到4組壽命數據作為測試集。學習速率設置為0.001~0.002學習速率的選取比較合 適。訓練目標設置為[0.001，0.1 ]，訓練目標值為經過神經網絡測試模型輸出的溫升的數值 與實際溫升測試電路測量值之間的差值的絕對值。為了達到設置的訓練目標，網絡訓練次 數和最大失敗次數均設置為10000~20000次，然后在BP神經網絡訓練過程中觀察訓練誤差 下降曲線，達到設置目標后手動停止網絡的訓練。
[0057]優選地，在步驟107,如圖1所示，以至少兩個輸入樣本數據組中的另一部分輸入樣 本數據組為輸入參量，以至少兩個測量溫升值中相應的另一部分測量溫升值T2為輸出參量 對經過學習和訓練的基于神經網絡的初始模型進行檢測，以得到基于神經網絡的電力復合 脂溫升預測模型。將通過神經網絡測試得出的溫升與測量得出的溫升樣本數據進行比較， 訓練目標設置為[0. 001，0. 1 ]，訓練目標值為經過神經網絡測試模型輸出的溫升的數值與 實際溫升測試電路測量值之間的差值的絕對值。測試集輸入數據經過神經網絡分析測試的 得出溫升符合測算標準，溫升預測模型建立成功。
[0058]表(1)給出不同樣本數據組涂電力復合脂端子板溫升電路測量值與神經網絡輸出 值，可以看出，溫升測量值與溫升輸出值比較吻合，從而證明了本發明所建立的涂敷電力復 合脂端子板溫升預測模型建立方法可以對涂敷電力復合脂端子板的溫升進行正確的預測。
[0060] 表（1)
[0061] 優選地，圖2為根據本發明實施方式的為涂敷電力復合脂的端子板建立溫升預測 模型的方法200的流程圖。方法200為確定建立溫升預測模型的樣本數據，構建溫升預測模 型的結構，設計神經網絡模型建立的相關參數，通過對神經網絡模型的學習和訓練，建立神 經網絡的初始模型，并可以通過樣本數據，完成對所建立神經網絡模型的測試。
[0062] 優選地，如圖2所示，獲得電阻、溫升的測量數據，建立樣本數據。樣本數據分為訓 練集和測試集。訓練集樣本數據包括每個測量電阻值R與所述獲取電流I，所述端子板材質 M，所述端子板尺寸L，所述端子板通電時間t，所述端子板測量溫升T。訓練集的樣本數據為 神經網絡訓練模型的輸入數據，通過訓練概括和體現訓練集中的樣本規律，用于神經網絡 模型的建立。測試集包括每個電阻值R與所述獲取電流I，所述端子板材質M，所述端子板尺 寸L，所述端子板通電時間t，所述端子板測量溫升T，所述端子板測試溫升T。測試集用于檢 驗神經網絡訓練模型的訓練結果，如果測試的結果達到了設置的訓練目標，則手動停止網 絡訓練。
[0063] 優選地，如圖2所示，建立神經網絡電力復合脂溫升預測模型，設計神經網絡的輸 入層、輸出層和隱含層（圖3中進行詳細介紹），端子板溫升T與端子板輸入電流I、端子板搭 接部位電阻值R、端子板材質M、端子板尺寸L、端子板通電時間t有關，本實施例將輸入層參 數設置為:端子板輸入電流I、端子板搭接部位電阻值R、端子板材質M、端子板尺寸L、端子板 通電時間t。端子板搭接部位電阻值R通過電阻測量電路測量獲得，其他輸入端參數可以變 量或固定值。每個端子板搭接部位電阻值R與對應的其他輸入參數構成一組輸入樣本數據， 每項輸入參數可以是變量或常數，但要保證每組樣本數據之間至少有一個參數不相同。本 實施例神經網絡模型輸出層參數為端子板溫升T。
[0064] 優選地，如圖2所示，建立神經網絡電力復合脂溫升預測模型神經網絡隱含層的設 計（圖3中進行詳細介紹）：通常來講，無隱含層的神經網絡只能映射線性函數，而單隱含層 的神經網絡就可以映射所有非線性的連續函數，只有需要映射不連續函數時，才需要兩個 以上的隱含層。隱含層節點數量過少，網絡從樣本中提取信息的能力就差，不足以概括和體 現訓練集中的樣本規律;隱含層節點數量過多，會降低網絡的泛化能力，此外，隱含層節點 數太多還會增加網絡訓練時間。在給定步長、學習率及循環步數的情況下，分別取不同的第 一隱含層節點數和第二隱含層節點數的組合進行比較，發現第一隱含層取(8~12)個節點， 第二隱含層取(2~5)個節點時系統的誤差最小。
[0065] 優選地，如圖2所示，對預測模型進行訓練和測試，設置訓練目標，并通過測試結果 分析。建立神經網絡學習參數，在利用神經網絡進行數據分析時需要兩組樣本數據，一組用 于訓練神經網絡模型，稱之為訓練集;另一組用于測試訓練結果，稱為測試集。本實施例選 擇8組訓練集樣本數據;在典型的試驗電流I、溫度t和電阻R下通過試驗得到4組壽命數據作 為測試集。學習速率設置為0.001~0.002學習速率的選取比較合適。訓練目標設置為 [0.001，0.1]，訓練目標值為經過神經網絡測試模型輸出的溫升的數值與實際溫升測試電 路測量值之間的差值的絕對值。為了達到設置的訓練目標，網絡訓練次數和最大失敗次數 均設置為10000~20000次，然后在BP神經網絡訓練過程中觀察訓練誤差下降曲線，達到設 置目標后手動停止網絡的訓練。
[0066] 優選地，如圖2所示，根據本發明實施方式的基于神經網絡的電力復合脂溫升預測 模型；建立神經網絡電力復合脂溫升預測模型，設計神經網絡的輸入層、輸出層和隱含層。 端子板溫升T與端子板輸入電流I、端子板搭接部位電阻值R、端子板材質M、端子板尺寸L、端 子板通電時間t有關，本實施例將輸入層參數設置為:端子板輸入電流I、端子板搭接部位電 阻值R、端子板材質M、端子板尺寸L、端子板通電時間t。端子板搭接部位電阻值R通過電阻測 量電路測量獲得，其他輸入端參數可以變量或固定值。每個端子板搭接部位電阻值R與對應 的其他輸入參數構成一組輸入樣本數據，每項輸入參數可以是變量或常數，但要保證每組 樣本數據之間至少有一個參數不相同。本實施例神經網絡模型輸出層參數為端子板溫升T。
[0067] 優選地，如圖3所示，建立神經網絡電力復合脂溫升預測模型神經網絡隱含層的設 計:通常來講，無隱含層的神經網絡只能映射線性函數，而單隱含層的神經網絡就可以映射 所有非線性的連續函數，只有需要映射不連續函數時，才需要兩個以上的隱含層。隱含層節 點數量過少，網絡從樣本中提取信息的能力就差，不足以概括和體現訓練集中的樣本規律； 隱含層節點數量過多，會降低網絡的泛化能力，此外，隱含層節點數太多還會增加網絡訓練 時間。在給定步長、學習率及循環步數的情況下，分別取不同的第一隱含層節點數和第二隱 含層節點數的組合進行比較，發現第一隱含層取(8~12)個節點，第二隱含層取(2~5)個節 點時系統的誤差最小。
[0068] 優選地，如圖4所示，為根據本發明實施方式的涂敷電力復合脂端子板電阻測試電 路圖：通過電阻測試電路獲得涂敷電力復合脂試件搭接部位的電阻，電阻的測試步驟為： (1)將端子板搭接部位打磨拋光，在端子板搭接部位在涂電力復合脂，然后用螺栓將端子板 連接在一起，螺栓扭矩根據規范和端子板的尺寸來選擇，將端子板兩端用連接軟連接板連 接并用螺栓擰緊，再用銅導線與連接軟連接，最后將銅導線與電源箱的輸出端連接，從而電 流從電源箱經過銅導線流經端子板，在電源箱觸摸屏上輸入所需的電壓及電流大小，并設 置開關，打開或閉合電路。（2)在距離端子板搭接部位20cm~25cm處安裝電壓測試線，測試 線端部連接電壓數字多用表的輸入端，并從表數字多用表讀取測試部位電壓值。（3)電阻測 試電路的電流流向由控制臺的旋轉按鈕控制，分別通過測試樣品正向、反向電壓及電流，并 測出端子板的電阻值。
[0069] 優選地，如圖5所示，為根據本發明實施方式的涂敷電力復合脂端子板溫升測試電 路圖。通過溫升測試電路獲得涂敷電力復合脂試件搭接部位的溫升，溫升的測試步驟為： (1)撤除電阻測試系統，用銅導線以串聯形式連接100KVA變壓器和軟連接板，并在端子板兩 邊各添加 η個溫度傳感器，傳感器的數量可以為1個或1個以上，傳感器數據由計算機以 excel保存并以數據或圖線顯示在巡檢系統內。（2)總變壓器經過調壓器將電流和電壓分配 到內。通過操作臺控制100KVA變壓器所輸出的電壓及電流。（3)確定試驗樣品連接無誤后， 人員撤離后，由實驗人員通過控制臺控制變壓器并提高輸出電流，達到要求值后穩定電流， 通過計算機監控端子板實時溫度變化數據或圖形。
[0070] 優選地，如圖5所示，為根據本發明實施方式的涂敷電力復合脂端子板溫升預測模 型的系統的結構圖，該預測模型的系統包括以下模塊:數據獲取模塊，用于獲取電流I、端子 板材質M、端子板尺寸L以及端子板通電時間t，數據獲取模塊獲取的數據可以為常量或變 量。電阻測量電路，電阻測量模塊用于對電力復合脂電阻進行測量，以獲取至少兩個測量電 阻值R。溫升測量電路，溫升測量模塊用于對電力復合脂溫升進行測量，獲取至少兩個測量 溫升值T。樣本數據集成模塊，用于將至少兩個測量電阻值R中的每個測量電阻值R與獲取的 電流I、端子板材質M、端子板尺寸L和端子板通電時間t組成一組輸入樣本數據，從而獲得至 少兩個輸入樣本數據組。神經網絡訓練模塊，用于以電流I、端子板材質M、端子板尺寸L、端 子板通電時間t以及電阻值為輸入參量，并且以溫升值為輸出參量建立具有輸入層、隱含層 及輸出層的基于神經網絡的初始模型。神經網絡測試模塊，以至少兩個輸入樣本數據組中 的另一部分輸入樣本數據組為輸入參量，以至少兩個測量溫升值中相應的另一部分測量 溫升值T2為輸出參量對經過學習和訓練的基于神經網絡的初始模型進行檢測，以得到基于 神經網絡的電力復合脂溫升預測模型。該裝置實施例的具體實施過程參見上述方法實施例 即可，本實施例在此不再贅述。
[0071] 為了建立基于神經網絡的電力復合脂溫升預測模型的方法和系統，本發明實施例 首先對該模型的結構及相應的參數進行了設計。同時為了取得足夠的樣本數據驗證該模型 及相應的參數，本發明實施例設計了電力復合脂端子板搭接部位電阻及溫升測試電路圖， 給出了相應試驗方案方法。本發明實施例通過構建神經網絡的電力復合脂溫升預測模型的 方法和系統，對涂電力復合脂端子板溫升進行預測。
[0072]已經通過參考少量實施方式描述了本發明。然而，本領域技術人員所公知的，正如 附帶的專利權利要求所限定的，除了本發明以上公開的其他的實施例等同地落在本發明的 范圍內。
[0073]通常地，在權利要求中使用的所有術語都根據他們在技術領域的通常含義被解 釋，除非在其中被另外明確地定義。所有的參考"一個/所述/該[裝置、組件等]"都被開放地 解釋為所述裝置、組件等中的至少一個實例，除非另外明確地說明。這里公開的任何方法的 步驟都沒必要以公開的準確的順序運行，除非明確地說明。
【主權項】
1. 一種用于為涂敷電力復合脂的端子板建立溫升預測模型的方法，所述方法包括： 獲取電流I、端子板材質M、端子板尺寸L以及端子板通電時間t; 對涂敷電力復合脂的端子板的接觸部的電阻進行測量，以獲取至少兩個測量電阻值R; 對涂敷電力復合脂的端子板的接觸部的溫升進行測量，獲取至少兩個測量溫升值T; 將所述至少兩個測量電阻值R中的每個測量電阻值R與所述獲取的電流I、端子板材質 M、端子板尺寸L和端子板通電時間t組成一組輸入樣本數據，從而獲得至少兩個輸入樣本數 據組； 以電流I、端子板材質M、端子板尺寸L、端子板通電時間t以及電阻值為輸入參量，并且 以溫升值為輸出參量建立具有輸入層、隱含層及輸出層的基于神經網絡的初始模型； 利用所述至少兩個輸入樣本數據組中的一部分樣本數據組為輸入參量，和所述至少兩 個測量溫升值T1中相應的一部分測量溫升值T1為輸出參量，對基于神經網絡的初始模型進 行學習和訓練； 以至少兩個輸入樣本數據組中的另一部分輸入樣本數據組為輸入參量，以至少兩個測 量溫升值中相應的另一部分測量溫升值T2為輸出參量對經過學習和訓練的基于神經網絡 的初始模型進行檢測，以得到基于神經網絡的電力復合脂溫升預測模型。2. 根據權利要求1所述的方法，其中利用電阻測量電路對涂敷電力復合脂的端子板的 接觸部的電阻進行測量，所述電阻測量電路包括： 控制臺，控制電流流向，從而分別測試電流正和反兩個流向的電壓、電流和電阻值； 電源，按照觸摸方式輸入電壓和電流，并且具有控制輸入電壓和電流的開關；以及 數字多用表，用于顯示測試部位的電壓值。3. 根據權利要求1所述的方法，其中利用溫升測量電路對涂敷電力復合脂的端子板的 接觸部的溫升進行測量，所述溫升測量電路包括： 輸入電源，用于輸入交流電源； 電壓調節單元，用于對輸入交流電源進行電壓調節，以控制涂敷電力復合脂的端子板 兩端的電壓； 溫度傳感器，用于測量涂敷電力復合脂的端子板的溫度升高值；以及 保護單元，用于對溫升測量電路進行保護。4. 根據權利要求1所述的方法，所述基于神經網絡的初始模型將Sigmoid作為傳遞函 數，將輸入和輸出均歸一化到[〇，1 ]之間。5. 根據權利要求1所述的方法，基于神經網絡的電力復合脂溫升預測模型的訓練次數 和最大失敗次數設置范圍為10000至20000次。6. -種用于為涂敷電力復合脂端子板溫升預測模型的系統，包括： 數據獲取模塊，用于獲取電流I、端子板材質M、端子板尺寸L以及端子板通電時間t; 電阻測量電路，所述電阻測量模塊用于對電力復合脂電阻進行測量，以獲取至少兩個 測量電阻值R;溫升測量電路，所述溫升測量模塊用于對電力復合脂溫升進行測量，獲取至 少兩個測量溫升值T; 樣本數據集成模塊，用于將所述至少兩個測量電阻值R中的每個測量電阻值R與所述獲 取的電流I、端子板材質M、端子板尺寸L和端子板通電時間t組成一組輸入樣本數據，從而獲 得至少兩個輸入樣本數據組； 神經網絡訓練模塊，用于以電流I、端子板材質M、端子板尺寸L、端子板通電時間t以及 電阻值為輸入參量，并且以溫升值為輸出參量建立具有輸入層、隱含層及輸出層的基于神 經網絡的初始模型；神經網絡測試模塊，以至少兩個輸入樣本數據組中的另一部分輸入樣 本數據組為輸入參量，以至少兩個測量溫升值中相應的另一部分測量溫升值T2為輸出參量 對經過學習和訓練的基于神經網絡的初始模型進行檢測，以得到基于神經網絡的電力復合 脂溫升預測模型。7. 根據權利要求6所述的系統，所述電阻測量電路包括： 控制臺，控制電流流向，從而分別測試電流正和反兩個流向的電壓、電流和電阻值； 電源，按照觸摸方式輸入電壓和電流，并且具有控制輸入電壓和電流的開關；以及 數字多用表，用于顯示測試部位的電壓值。8. 根據權利要求6所述的系統，所述溫升測量電路包括： 輸入電源，用于輸入交流電源； 電壓調節單元，用于對輸入交流電源進行電壓調節，以控制涂敷電力復合脂的端子板 兩端的電壓； 溫度傳感器，用于測量涂敷電力復合脂的端子板的溫度升高值；以及 保護單元，用于對溫升測量電路進行保護。9. 根據權利要求6所述的系統，所述基于神經網絡的初始模型將Sigmoid作為傳遞函 數，將輸入和輸出均歸一化到[〇，1 ]之間。10. 根據權利要求6所述的系統，基于神經網絡的電力復合脂溫升預測模型的訓練次數 和最大失敗次數設置范圍為10000至20000次。
【文檔編號】G06N3/04GK106096116SQ201610394782
【公開日】2016年11月9日
【申請日】2016年6月6日 公開號201610394782.0, CN 106096116 A, CN 106096116A, CN 201610394782, CN-A-106096116, CN106096116 A, CN106096116A, CN201610394782, CN201610394782.0
【發明人】張雪松, 董玉明, 劉勝春, 李軍輝, 劉臻, 孫寶東, 席永平, 孫娜, 牛海軍, 張軍, 邱書清, 劉操蘭
【申請人】中國電力科學研究院, 國家電網公司